Ingresos de IA vs. Valor Real
En el actual debate sobre la inteligencia artificial (IA), dos narrativas principales dominan la conversación. Por un lado, se destaca el crecimiento económico de las aplicaciones «nativas de IA», que generan ingresos anuales de 18.5 mil millones de dólares. Por otro lado, un estudio del MIT NANDA revela que el 95% de los pilotos empresariales de IA generativa no logran retornos significativos. Ambas perspectivas son válidas, pero no abordan el verdadero problema: ¿quién obtiene realmente valor de la IA?
Ingresos no equivalen a valor
El aumento de ingresos indica que las empresas están dispuestas a pagar, pero no garantiza que estén obteniendo beneficios reales. Existen problemas estructurales que explican por qué el éxito de los proveedores no siempre se traduce en valor para el cliente. Los costos de inferencia abiertos y la sobrecarga de orquestación pueden reducir el retorno de inversión cuando el uso no está gobernado o no se vincula a resultados medibles. Además, la falta de alineación en los flujos de trabajo puede crear una ilusión de eficiencia sin resolver problemas reales.
El fenómeno actual es una captura concentrada, donde unos pocos proveedores monetizan el entusiasmo mientras los clientes absorben los costos de integración, gestión del cambio y riesgos de cumplimiento. Muchas implementaciones abordan problemas superficiales porque las demostraciones destacan lo fácil de mostrar, en lugar de lo que realmente vale la pena solucionar, como los cuellos de botella financieros.
El «95% de fracaso» es un diagnóstico, no un veredicto
La alta tasa de fracaso no significa que la tecnología no pueda ofrecer resultados. Indica que la mayoría de las implementaciones carecen de las condiciones necesarias para tener impacto. Los equipos suelen comenzar con un modelo en lugar de abordar problemas empresariales específicos, como denegaciones, retrabajos o acumulaciones. Sin comparaciones antes y después en tiempos de respuesta, rendimiento inicial o tasas de error, el éxito se vuelve difícil de medir.
Crucialmente, estos pilotos fallidos no integran la IA en los flujos de trabajo reales. Los agentes externos al flujo de trabajo son opcionales e invisibles. Además, la falta de gobernanza, como la explicabilidad, la trazabilidad de datos o las auditorías, impide que las victorias sean confiables o escalables.
Señal vs. ruido: El marcador que importa
Para determinar si la IA crea valor, es necesario medirlo donde realmente se manifiesta:
- Costo de servicio por unidad de trabajo;
- Tiempo de ciclo desde la recepción hasta la decisión;
- Rendimiento inicial (trabajo completado sin retrabajo);
- Tasas de error y excepciones;
- Rendimiento por revisor o agente;
- Resultados de cumplimiento (excepciones de auditoría, sanciones evitables); y
- Métricas a nivel de cliente en salud, medidas de calidad, tasas de apelación/reversión y experiencia del miembro.
Si estas métricas mejoran a gran escala, la IA está funcionando. De lo contrario, los ingresos son solo ruido.
Guía para el 5% que triunfa
Las empresas que tienen éxito siguen un enfoque completamente diferente. Comienzan con áreas de valor, no con modelos, y definen métricas críticas desde el primer día: tiempo de respuesta base, interacciones, rendimiento inicial, dólares por caso.
En lugar de construir interfaces de chat, diseñan para la toma de decisiones e integran agentes directamente en el sistema de registro.
Los ganadores limitan el alcance de manera implacable e instrumentan todo. Mantienen el factor humano en el proceso por diseño y poseen completamente su capa de contexto: políticas, procedimientos operativos estándar y decisiones históricas se convierten en activos competitivos.
La fijación de precios se vincula a los resultados, no a los tokens, y realizan pruebas A/B a nivel de flujo de trabajo, no por usuario.
Quizás lo más importante, planifican para las partes aburridas: identidad, acceso, manejo de información personal de salud, políticas de retención. Solo cuando toda la infraestructura funciona piensan en escalar, y solo cuando las métricas se mantienen constantes en casos de uso ampliados.
Cómo se ve el valor real
En una importante aseguradora de salud, un agente de autorización previa ahora lee expedientes, aplica criterios clínicos, cita fuentes y redacta determinaciones dentro del mismo sistema que ya usan las enfermeras. Los tiempos de revisión se redujeron de 35 minutos a menos de 15. El avance no fue que «habla», sino que acortó el camino hacia una decisión defendible, manteniendo a los humanos en el proceso.
En un grupo de proveedores, reemplazar el Q&A libre con un agente que ensambla resúmenes de gráficos citados y explicados aumentó el rendimiento inicial para auditorías. La victoria no fue un modelo más grande, sino un ciclo más ajustado y confiable.
